CN104316167A - 一种低信噪比下结构响应异常检测方法 - Google Patents
一种低信噪比下结构响应异常检测方法 Download PDFInfo
- Publication number
- CN104316167A CN104316167A CN201410517411.8A CN201410517411A CN104316167A CN 104316167 A CN104316167 A CN 104316167A CN 201410517411 A CN201410517411 A CN 201410517411A CN 104316167 A CN104316167 A CN 104316167A
- Authority
- CN
- China
- Prior art keywords
- response
- particle
- structural response
- population
- noise
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种低信噪比下结构响应异常检测方法。该方法首先运用改进粒子群优化算法自适应随机共振系统对含噪声的测量响应进行预处理,以降低噪声干扰并增强结构响应;然后利用鲁棒性独立分量分析(RobustICA)对随机共振输出响应进行独立分量分析,得到相应的独立分量IC,并从IC中提取出具有信号突变点的特征分量FIC;最后根据每个FIC中信号突变点在时间轴上的位置确定损伤发生时刻,并提取出每个FIC所对应的SDV进行归一化处理,从归一化的NSDV图中找出最大值点,根据最大值点对应的位置对损伤异常进行定位。该方法能很好地对强噪声下的结构响应进行分析处理,实现低信噪比下的结构响应异常检测,可用于土木工程、航天航空、自动控制、机械工程、桥梁工程、水利工程的领域的结构异常检测中。
Description
技术领域
本发明涉及一种低信噪比下结构响应异常检测方法—自适应随机共振结构响应去噪技术和结构响应异常检测策略。
背景技术
材料性能的退化、自然灾害及人为破坏等原因,引起的建筑物倒塌造成了人民生命财产的巨大损失,因此如何选取正确的监测手段和检测方法对结构的健康状况进行监控、评估,以期在结构发生损伤之前给予预警成为了当前国内外研究热点。结构的振动响应信号中包含有丰富的损伤信息且对建筑物无损害,利用结构振动信息对结构进行损伤识别和健康监测的重要性和有效性已得到广泛认同,但是由于环境因素、传感器测量系统等硬件设施自身因素及人为因素等在实际监测过程中不可避免地存在着大量的噪声,直接利用这些被噪声污染的测量数据来进行结构损伤识别,则往往会导致结构损伤识别结果存在较大误差。
因而,如何利用强背景噪声下测量的结构响应来进行损伤识别是近年来研究的难题。对带噪声的结构响应常规处理方法是进行除噪或者消噪,然而由于处理过程中假设的噪声模型往往与实际噪声模型不一致,且消噪之后会导致响应失真。大量研究表明,随机共振是实现强噪声背景下弱信号检测非常有效的方法,可以从很强的噪声中检测微弱的有用信号, 常用于信号处理、机械故障诊断、图像处理等领域中,却没有运用到土木工程领域中。如何对结构参数a,b进行自适应选取,而让随机共振达到最佳匹配条件,仍是目前研究的一个难点。
盲源分离技术通过将多个观测信号按照统计独立的原则进行优化,将其分解为若干个独立成分,来实现信号的增强和分析,因此盲源分离技术在语音、信号分析与损伤检测领域得到了比较广泛的应用。但是在噪声背景下,存在不能有序提取各信号、易丢失弱信号以及容易出现误差传递等问题。
鉴于以上情况,本发明提出将基于改进粒子群优化算法的非线性随机共振与鲁棒独立分量分析(RobustICA)算法相结合,运用前者进行信号中结构响应的增强,运用后者对损伤敏感特征量进行提取,能很好地解决低信噪比下结构响应异常识别中存在的问题。
发明内容
本发明的目的是提供一种强背景噪声低信噪比下结构响应异常检测方法,该方法能克服现有技术的不足,对含噪声结构响应进行处理和结构响应异常分析,特别是在对强背景噪声下的结构响应进行分析处理中体现出极大优越性,能很好的实现强噪声背景低信噪比情况下的结构响应异常检测,可用于土木工程、航天航空、自动控制、机械工程、桥梁工程、水利工程的领域的信号处理和损伤异常识别。
本发明的目的是通过以下技术方案实现的:
一种低信噪比下结构响应异常检测方法,其特征在于:首先在强背景噪声下利用多个传感器对结构振动信息进行采集,得到噪声干扰的结构响应;然后对采集到的结构响应进行改进粒子群优化算法自适应随机共振去噪处理,并增强结构响应;之后利用鲁棒性独立分量分析对随机共振输出响应进行独立分量分析,分离出具有响应突变点的特征分量;最后根据每个特征分量中响应突变点在时间轴上的位置确定结构响应异常发生时刻,并提取出每个特征分量进行归一化处理,从而实现对结构响应异常进行定位。
在本发明一实施例中,所述改进粒子群优化算法自适应随机共振去噪处理包括以下步骤:
步骤S01:初始化种群,随机产生m个大小为n的子种群,并将子种群分为上下两层;
步骤S02:适应度函数确定,将传感器采集到的结构响应∏(t)经过二次采样,实现响应从高频到低频的转换,随后输入至随机共振系统,采用以下公式计算出输入响应所对应的随机共振输出,
式中,h是计算时间步长,取采样频率的倒数;k i为斜率, X i 为系统输出响应,S i 为含噪声和振动信息结构响应的第i次采样值,
根据输出建立以随机共振输出信噪比为适应度函数,信噪比SNR公式如下:
式中f 0为信号频率,S(f 0 ),N分别为信号功率和噪声功率,W为系统总功率,;
步骤S03:适应度值计算,将各子种群中所有粒子的位置及其所对应的适应度值存储为pbest(个体)和pbestval(个体极值);将各子种群中最优粒子的位置及其所对应的适应度值存储为gbest i 和gbestval i ,i=1,2…m;同时将整个种群中最优粒子的位置及其所对应的适应度值存储为gbest和gbestval;
步骤S04:粒子更新,分别按照以下公式来更新上层子种群和下层子种群,并对整个种群中的最差粒子进行标记:
式中,z i 和v i 分别表示第i个粒子的位置和速度;p i 表示第i个粒子的最优位置;p g和p gi 分别表示整个种群和第i个粒子所在子种群的最优位置;k表示当前进化代数;r 1和r 2为[0,1]之间的随机数;c 1和c 2为学习因子,通常取值为c 1= c 2=2;w为惯性权重;
步骤S05:最优值更新,重新计算更新后各粒子的适应度值,然后将其与历史最优值进行比较,如果适应度值更高,则相应更新pbest、pbestval、gbest、gbestval、gbest i 和gbestval i ;
步骤S06:最差粒子替换,将粒子的最差标记次数与预先设定好的最差次数限值L w进行比较,如果等于L w,则按上述将其替换为选定优良粒子的局部重心Z grav,并将其最差标记次数归零,
式中,s和z j 分别为选定优良粒子的数量和位置;
步骤S07:判断是否达到了预设的最大迭代次数I max或者达到最小误差,如果没有则返回步骤S03,反之则停止迭代并将搜索到的最优结构参数a、b输出;
步骤S08:将输出的最优结构参数a、b输入非线性双稳系统中,从而确定经过随机共振去噪后结构响应,
所述非线性双稳系统动力学方程可以表示为:
式中,a、b为系统结构参数,∏(t)为传感器采集到的结构响应。
在本发明一实施例中,设定有m个传感器, X=[x 1, x 2, … x m ]T为传感器采集到并经去噪后包含异常的测量结构响应,具体实现结构响应异常检测步骤如下:
步骤S11:利用鲁棒性独立分量分析(RobustICA) 对非线性随机共振输出响应X=[x 1, x 2, … x m ]T进行独立分量分析;
步骤S12:根据结构模型得到对应的独立分量IC(j)(j=1,2,…n),即:
式中,X i (t)为观察信号,a ij 表示独立分量IC j (t)在观察信号X i (t)中的比重大小,称为源分布因子;
步骤S13:从n个独立分量IC j (j=1,2,…,n)中提取出具有信号突变点的特征分量FIC k (k=1,2,…,n),n为特征分量的个数;
步骤S14:根据每个特征分量FIC k 中信号突变点在时间轴上的位置确定相应的损伤发生时刻Td k (k=1,2,…,n),且突变点的位置就是结构异常发生的时间;
步骤S15:提取出每个特征分量FIC k 所对应的NSDF m ,按照式
本发明的有益效果是:
1. 本发明具有很好的去噪效果,且不会导致去噪后结构响应失真。
2. 本发明能够解决强噪声背景下低信噪比的测量结构响应分析问题,有效提高数据的抗干扰能力。
3. 本发明能实时监测结构响应异常信息。
附图说明
图1为本发明改进粒子群算法自适应随机共振去噪流程图。
图2为本发明所采用的结构模型。
图3为本发明模拟在强噪声低信噪比传感器采集到的原始各层加速度响应。
图4为本发明在经自适应随机共振去噪处理后的各层加速度响应。
图5为本发明利用鲁棒性独立分量处理的特征独立分量。
图6为本发明在归一化之后的特征独立分量的NSDV分布。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细说明。本发明提供了一种低信噪比下结构响应异常检测方法,其特征在于:该方法首先在强背景噪声低信噪比下利用多个传感器对结构响应进行采集,得到强背景噪声低信噪比下的结构响应;然后对采集到的结构响应进行改进粒子群优化算法自适应随机共振去噪处理,并增强结构响应。之后利用鲁棒性独立分量分析对随机共振输出响应进行独立分量分析,提取出具有信号突变点的特征分量;最后根据每个特征分量中信号突变点在时间轴上的位置确定损伤发生时刻,并提取出每个特征分量进行归一化处理,实现对结构响应损伤异常检测。
所述方法中以运用非线性随机共振系统对含噪声的测量响应进行预处理包括以下步骤:
S01,初始化种群。随机产生m个大小为n的子种群,并将其分为上下两层。
S02,适应度函数确定。将传感器采集到的结构测量响应∏(t)经过二次采样,实现响应从高频到低频的转换,输入至随机共振系统,采用以下公式计算出输入测量响应所对应的随机共振输出:
式中,h是计算时间步长,取采样频率的倒数;k i为斜率;其中X i 为系统输出响应,S i 为含噪声和振动信息结构响应的第i次采样值。
根据输出建立以随机共振输出信噪比为适应度函数,信噪比公式如下:
式中f 0为信号频率,S(f 0 ),N分别为信号功率和噪声功率,W为系统总功率。
S03,适应度值计算。将各子种群中所有粒子的位置及其所对应的适应度值存储为pbest(个体)和pbestval(个体极值);将各子种群中最优粒子的位置及其所对应的适应度值存储为gbest i 和gbestval i ,i=1,2…m;同时将整个种群中最优粒子的位置及其所对应的适应度值存储为gbest和gbestval。
S04,粒子更新。分别按照一下公式来更新上层子种群和下层子种群,并对整个种群中的最差粒子进行标记。
式中,z i 和v i 分别表示第i个粒子的位置和速度;p i 表示第i个粒子的最优位置;p g和p gi 分别表示整个种群和第i个粒子所在子种群的最优位置;k表示当前进化代数;r 1和r 2为[0,1]之间的随机数;c 1和c 2为学习因子,通常取值为c 1= c 2=2;w为惯性权重。
S05,最优值更新。重新计算更新后各粒子的适应度值,然后将其与历史最优值进行比较,如果适应度值更高,则相应更新pbest、pbestval、gbest、gbestval、gbest i 和gbestval i 。
S06,最差粒子替换。将粒子的最差标记次数与预先设定好的最差次数限值L w进行比较,如果等于L w,则按上述将其替换为选定优良粒子的局部重心Z grav,并将其最差标记次数归零。
式中,s和z j 分别为选定优良粒子的数量和位置。
S07,判断是否达到了预设的最大迭代次数I max或者达到最小误差,如果没有则返回S03,反之则停止迭代并将搜索到的最优解结构参数a、b,并将其输出。
S08,将输出的的最优结构参数a、b输入非线性双稳系统中,从而确定经过随机共振去噪后的结构响应。
非线性双稳系统动力学方程可以表示为:
式中,a、b为系统参数,∏(t)为传感器采集到的结构响应。
所述结构响应异常检测方法包括以下步骤:
S11,利用RobustICA 对随机共振输出响应进行独立分量分析。
S12,根据结构模型可以得到对应的独立分量IC(j)(j=1,2,…n),则
式中,X i (t) 为观察信号,a ij 表示独立分量IC j (t)在观察信号X i (t)中的比重大小,称为源分布因子。
S13,从n个独立分量IC j (j=1,2,…,n)中提取出具有信号突变点的特征分量FIC k) (k=1,2,…,n),n为特征分量的个数。
S14,根据每个特征分量FIC k 中信号突变点在时间轴上的位置确定相应的损伤发生时刻Td k (k=1,2,…,n);若无突变点则结构响应正常,且突变点的位置就是结构异常发生的时间。
S15,提取出每个特征分量FIC k 所对应的NSDF m ,按照式
进行归一化,从归一化的NSDV图中找出最大值点,根据最大值点对应的位置对损伤异常判别位置。
至此,根据以上步骤,便可实现低信噪比下结构响应异常检测。
具体的,考虑一个受地震激励作用的三层剪切框架结构,结构模型如图1所示,质量M 1= 125.53 kg,M 2= 125.53 kg,M 3= 125.53 kg,层间阻尼采用比例阻尼C=aM+bK,层间刚度K 1= 24.2 kN/m,K 2= 24.2 kN/m,K 3= 24.2 kN/m,结构底部受到地震激励作用,在结构每层布置一个加速度传感器来对结构的加速度进行实时监测。提取时持30s的加速度数据进行结构分析。以结构在第10s的时候,第一层刚度K 1退化为K 1=21.78×106 kN/m和结构在第20s时,第三层刚度K 3退化为K 3=21.78×106 kN/m来模拟损伤。
为了模拟实际低信噪比下的采集情况,对结构各层结构响应作如下假设:各层传感器一开始就受到信噪比为5db的高斯白噪声污染。
首先,对含噪结构响应按照所述改进粒子群优化算法的非线性随机共振的步骤S01-步骤S08进行降噪处理,具体流程如图2;图3为本发明模拟在强噪声低信噪比传感器采集到的原始各层加速度响应。去噪后的各层加速度响应如图4所示,图中可以明显看出噪声被大量削落了,时域波形幅值在一定程度上增强了。
其次,将随机共振处理后的响应利用所述的结构响应异常检测方法的步骤S11-步骤S14进行处理,处理后的数据如图5所示;从图中可以看到响应突变异常点位于t=10s和t=20s处,与设定工况相符。
最后,利用所述的结构异常检测方法的步骤S15进行处理,结果如图6所示。从图中的独立分量位置分布中可以看出,结构异常位置在第一层和第三层,与实际工况一致。以上所识别的结果与实际假定情况相符合,能准确的实现强噪声背景低信噪比下的结构响应异常检测,证明本发明方法的有效性。
以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种低信噪比下结构响应异常检测方法,其特征在于:首先在强背景噪声下利用多个传感器对结构振动信息进行采集,得到噪声干扰的结构响应;然后对采集到的结构响应进行改进粒子群优化算法自适应随机共振去噪处理,并增强结构响应;之后利用鲁棒性独立分量分析对随机共振输出响应进行独立分量分析,分离出具有响应突变点的特征分量;最后根据每个特征分量中响应突变点在时间轴上的位置确定结构响应异常发生时刻,并提取出每个特征分量进行归一化处理,从而实现对结构响应异常进行定位。
2.根据权利要求1所述的低信噪比下结构响应异常检测方法,其特征在于,所述改进粒子群优化算法自适应随机共振去噪处理包括以下步骤:
步骤S01:初始化种群,随机产生m个大小为n的子种群,并将子种群分为上下两层;
步骤S02:适应度函数确定,将传感器采集到的结构响应∏(t)经过二次采样,实现响应从高频到低频的转换,随后输入至随机共振系统,采用以下公式计算出输入响应所对应的随机共振输出,
式中,h是计算时间步长,取采样频率的倒数;k i为斜率, X i 为系统输出响应,S i 为含噪声和振动信息结构响应的第i次采样值,
根据输出建立以随机共振输出信噪比为适应度函数,信噪比SNR公式如下:
式中f 0为信号频率,S(f 0 ),N分别为信号功率和噪声功率,W为系统总功率,;
步骤S03:适应度值计算,将各子种群中所有粒子的位置及其所对应的适应度值存储为pbest(个体)和pbestval(个体极值);将各子种群中最优粒子的位置及其所对应的适应度值存储为gbest i 和gbestval i ,i=1,2…m;同时将整个种群中最优粒子的位置及其所对应的适应度值存储为gbest和gbestval;
步骤S04:粒子更新,分别按照以下公式来更新上层子种群和下层子种群,并对整个种群中的最差粒子进行标记:
式中,z i 和v i 分别表示第i个粒子的位置和速度;p i 表示第i个粒子的最优位置;p g和p gi 分别表示整个种群和第i个粒子所在子种群的最优位置;k表示当前进化代数;r 1和r 2为[0,1]之间的随机数;c 1和c 2为学习因子,通常取值为c 1= c 2=2;w为惯性权重;
步骤S05:最优值更新,重新计算更新后各粒子的适应度值,然后将其与历史最优值进行比较,如果适应度值更高,则相应更新pbest、pbestval、gbest、gbestval、gbest i 和gbestval i ;
步骤S06:最差粒子替换,将粒子的最差标记次数与预先设定好的最差次数限值L w进行比较,如果等于L w,则按上述将其替换为选定优良粒子的局部重心Z grav,并将其最差标记次数归零,
式中,s和z j 分别为选定优良粒子的数量和位置;
步骤S07:判断是否达到了预设的最大迭代次数I max或者达到最小误差,如果没有则返回步骤S03,反之则停止迭代并将搜索到的最优结构参数a、b输出;
步骤S08:将输出的最优结构参数a、b输入非线性双稳系统中,从而确定经过随机共振去噪后结构响应,
所述非线性双稳系统动力学方程可以表示为:
式中,a、b为系统结构参数,∏(t)为传感器采集到的结构响应。
3.根据权利要求1所述的低信噪比下结构响应异常检测方法,其特征在于,设定有m个传感器, X=[x 1, x 2, … x m ]T为传感器采集到并经去噪后包含异常的测量结构响应,具体实现结构响应异常检测步骤如下:
步骤S11:利用鲁棒性独立分量分析(RobustICA) 对非线性随机共振输出响应X=[x 1, x 2, … x m ]T进行独立分量分析;
步骤S12:根据结构模型得到对应的独立分量IC(j)(j=1,2,…n),即:
式中,X i (t)为观察信号,a ij 表示独立分量IC j (t)在观察信号X i (t)中的比重大小,称为源分布因子;
步骤S13:从n个独立分量IC j (j=1,2,…,n)中提取出具有信号突变点的特征分量FIC k (k=1,2,…,n),n为特征分量的个数;
步骤S14:根据每个特征分量FIC k 中信号突变点在时间轴上的位置确定相应的损伤发生时刻Td k (k=1,2,…,n),且突变点的位置就是结构异常发生的时间;
步骤S15:提取出每个特征分量FIC k 所对应的NSDF m ,按照式
进行归一化,从归一化的NSDV图中找出最大值点,根据最大值点对应的位置对损伤异常判别位置,
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410517411.8A CN104316167B (zh) | 2014-09-30 | 2014-09-30 | 一种低信噪比下结构响应异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410517411.8A CN104316167B (zh) | 2014-09-30 | 2014-09-30 | 一种低信噪比下结构响应异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104316167A true CN104316167A (zh) | 2015-01-28 |
CN104316167B CN104316167B (zh) | 2017-06-06 |
Family
ID=52371430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410517411.8A Active CN104316167B (zh) | 2014-09-30 | 2014-09-30 | 一种低信噪比下结构响应异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104316167B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104678768A (zh) * | 2015-01-30 | 2015-06-03 | 哈尔滨工程大学 | 基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法 |
CN108550116A (zh) * | 2018-03-12 | 2018-09-18 | 西安理工大学 | 低信噪比下的硅单晶生长图像的自适应随机共振去噪方法 |
CN109325253A (zh) * | 2018-08-01 | 2019-02-12 | 苏州智道势能信息科技有限公司 | 一种密封件密封性模拟测试方法 |
CN110986264A (zh) * | 2019-11-21 | 2020-04-10 | 珠海格力电器股份有限公司 | 一种空调低频共振噪声识别控制方法及空调 |
CN112904434A (zh) * | 2020-12-22 | 2021-06-04 | 电子科技大学 | 一种基于参数优化随机共振的磁异常信号检测方法 |
CN116089802A (zh) * | 2023-04-07 | 2023-05-09 | 南方电网科学研究院有限责任公司 | 一种应用于光声光谱检测系统的噪声信号处理方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706355A (zh) * | 2009-11-17 | 2010-05-12 | 福州大学 | 基于NExT/ARMA的结构响应分析方法 |
CN101901209B (zh) * | 2010-02-04 | 2013-04-03 | 福州大学 | 基于改进emd和arma模型的结构响应分析方法 |
CN101876585B (zh) * | 2010-05-31 | 2012-06-27 | 福州大学 | 基于小波包估计噪声方差的ica收缩去噪方法 |
-
2014
- 2014-09-30 CN CN201410517411.8A patent/CN104316167B/zh active Active
Non-Patent Citations (3)
Title |
---|
姜绍飞等: "基于小波/包与ICA结合的机构损伤识别", 《沈阳建筑大学学报(自然科学版)》 * |
姜绍飞等: "基于振动时程响应的框架结构智能损伤检测", 《沈阳建筑大学学报(自然科学版)》 * |
麻胜兰等: "传感器性能退化与结构损伤响应异常区分研究", 《西南交通大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104678768A (zh) * | 2015-01-30 | 2015-06-03 | 哈尔滨工程大学 | 基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法 |
CN104678768B (zh) * | 2015-01-30 | 2017-07-11 | 哈尔滨工程大学 | 基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法 |
CN108550116A (zh) * | 2018-03-12 | 2018-09-18 | 西安理工大学 | 低信噪比下的硅单晶生长图像的自适应随机共振去噪方法 |
CN108550116B (zh) * | 2018-03-12 | 2021-11-09 | 西安奕斯伟材料科技有限公司 | 低信噪比下的硅单晶生长图像的自适应随机共振去噪方法 |
CN109325253A (zh) * | 2018-08-01 | 2019-02-12 | 苏州智道势能信息科技有限公司 | 一种密封件密封性模拟测试方法 |
CN110986264A (zh) * | 2019-11-21 | 2020-04-10 | 珠海格力电器股份有限公司 | 一种空调低频共振噪声识别控制方法及空调 |
CN112904434A (zh) * | 2020-12-22 | 2021-06-04 | 电子科技大学 | 一种基于参数优化随机共振的磁异常信号检测方法 |
CN116089802A (zh) * | 2023-04-07 | 2023-05-09 | 南方电网科学研究院有限责任公司 | 一种应用于光声光谱检测系统的噪声信号处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104316167B (zh) | 2017-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104316167A (zh) | 一种低信噪比下结构响应异常检测方法 | |
Su et al. | Improved damage localization and quantification of CFRP using Lamb waves and convolution neural network | |
Liu et al. | Structure damage diagnosis using neural network and feature fusion | |
CN102053016B (zh) | 旋转机械滚动轴承的无线振动监测系统 | |
CN102621150B (zh) | 基于灰度共生矩阵和支持向量机的飞机蒙皮损伤识别方法 | |
CN101566601B (zh) | 采用神经网络和耦合迭代对16Mn钢承力件进行拉伸损伤状态的识别系统 | |
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN106447040B (zh) | 基于异类多传感器数据融合的机械设备健康状态评估方法 | |
Yuan et al. | Timber moisture detection using wavelet packet decomposition and convolutional neural network | |
CN103398769A (zh) | 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法 | |
Misra et al. | An IoT based building health monitoring system supported by cloud | |
CN106198749A (zh) | 一种基于金属裂纹监测的多路传感器的数据融合方法 | |
Paulraj et al. | Structural steel plate damage detection using non destructive testing, frame energy based statistical features and artificial neural networks | |
CN115798516A (zh) | 一种可迁移的端到端声信号诊断方法及系统 | |
Regan et al. | Wind turbine blade damage detection using various machine learning algorithms | |
Jiang et al. | Extraction of structural modal information using acoustic sensor measurements and machine learning | |
Cao et al. | Seismic damage identification of high arch dams based on an unsupervised deep learning approach | |
CN102879475B (zh) | 基于pca和tdf对16锰钢承力件进行疲劳损伤状态的识别系统 | |
Hu et al. | Wind turbine event detection by support vector machine | |
CN104374576A (zh) | 一种提取低速轴承故障应力波的方法 | |
CN102279223B (zh) | 基于SNF策略和DSD策略的16Mn钢焊接结构形变损伤识别评估系统 | |
Vasheghani Farahani et al. | Adaptive neuro-fuzzy inference systems for semi-automatic discrimination between seismic events: a study in Tehran region | |
CN102279222B (zh) | 16Mn钢承力件疲劳损伤状态识别系统 | |
Yu et al. | Acoustic Emission Signal Denoising of Bridge Structures Using SOM Neural Network Machine Learning | |
CN104462770B (zh) | 考虑传感器性能退化的信号重构方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |